[发明专利]一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法

说明书

本发明公开了一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法，通过将心电信号进行相等长度切片，得到目标心电数据，及对应的诊断结论作为标签；将心电信号进行降噪滤波；划分训练集数据，验证集数据，测试集数据，彼此之间无数据交叉；再将心电数据样本及标签输入多尺寸卷积核深度神经网络模型，应用分类器自动提取特征进行模型训练，得到多尺寸深度神经网络模型。本方案使用多尺寸卷积核，相较于单一卷积核深度神经网络模型具有不同的视野域，能有效提取不同视野心电信号特征，并且能有效减少模型参数，减少在训练过程中过拟合情况。

技术领域

本方案涉及深度学习数据分析领域，尤其涉及一种基于深度学习算法的多尺寸卷积核的深度神经网络的心电图综合分类方法。

背景技术

心血管疾病是全世界面临的一大健康难题，它能导致病患暂时性休克甚至猝死。当前，心电图波形数据采集及心电图分类结果是医生诊断心脏病疾患的重要辅助手段和参考信息，精确诊断与及时治疗是应对心血管疾病最为有效的措施。然而，心电图波形数据采集和分类通常是在医院或体检中心进行，存在检测不方便、检测频率低等问题，不能及时地把心电图分类信息提供给医生来做实时诊断，很难有效预防和及时治疗心脏病病变。并且，在疾病的检查中产生的大量影像信息易使医生疲劳，且诊断精度，容易受到干扰信号，医师的职业能力、经验等主观因素影响，分析效果不稳定。在此背景下，通过机器来识别心电信号类型成为一个广泛关注的研究热点。

使用机器识别心电信号数据目前主要有两种方法，第一种，是基于定位每个心搏，通过人为提取特征工程，该方法需要先识别出一段心电信号中的每一次心搏，再识别出每一次心搏中的各个特征波段(如P波、QRS波、ST段、T波等)，最后，根据各个特征波段的测量值，判断该心搏可能出现的问题，进行整体心电信号识别。该方法需要依赖，大量医学领域的专家知识，进行大量的特征工程。第二种，是基于神经网络进行识别，使用神经网络模型相较于第一种，减少了大量的人为寻找特征工程，并且降低了相较于传统方法精度QRS波群的依赖，仅需要将已完成心电诊断数据作为样本输入深度神经网络模型，通过神经网络自动提取不同类别心电信号特征。

基于深度神经网络目前出现了多种模型，都是使用不同网络堆叠而成，由于心电信号的特殊性，在使用卷积层时需要使用较大的卷积核，以500Hz采样为例，一般会使用大于13个尺寸的卷积核。而单尺度大小卷积核特征提取视野域特征提取窗口是固定的，模型参数多且容易在训练中出现过拟合的情况。

发明内容

有鉴于此，本发明的第一方面的目的是提供一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法。可以为模型提供不同视野域，并且能有效减少模型参数，降低训练中过度拟合程度。

本发明的第一方面的目的是通过以下技术方案实现的：

该种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法，包括以下步骤：

步骤S1：采集原始心电信号数据，按照统一的窗口长度W对原始心电信号数据进行切分，并根据原始心电数据类别标记；

步骤S2：对样本进行降噪处理；

步骤S3：对样本进行数据集划分，彼此之间无交叉数据集；

步骤S4：构建深度神经网络模型，提取神经网络特征

步骤S5：将样本数据输入深度神经网络模型，对深度神经网络进行训练，提取神经网络特征，通过验证集数据和测试集数据对模型预测进行验证，达到要求阈值后确定模型结果及模型参数；

步骤S6：应用分类器作用于提取的神经网络特征完成对目标心电信号数据进行预测，输出对应异常类别预测概率，根据模型概率设定阈值，得到预测结果。

进一步，所述步骤S1中，原始心电信号数据采用8秒以上的原始心电信号数据，心电类别标记是将单条心电样本所出现的所需要分类的状态进行标记。